广播式自动相关监视（Automatic Dependent Surveillance-Broadcast,ADS-B）技术作为目前空中交通管制的主要监视技术,将成为未来航空安全保障和运行效率的重要支撑点。然而,这项技术的潜在问题是ADS-B接收机在接收飞机报文信号时存在多重信号交织。随着单天线ADS-B接收机在实际工程中的广泛应用,单天线ADS-B交织问题亟待解决。针对单天线ADS-B交织问题,本文通过对ADS-B信号的特点进行详细分析,以深度学习为基础,重点对基于深度学习的单天线ADS-B交织信号分离进行了研究。主要工作内容如下:（1）通过对ADS-B信号原理进行研究,建立了单天线ADS-B交织信号的数学模型;分析了ADS-B信号结构的特点以及总结了ADS-B信号交织的特征,从而为后续深度学习神经网络的选取和数据集的构建指明了方向。（2）针对单天线下ADS-B信号交织的问题,研究了一种基于时序卷积网络（Temporal Convolutional Network,TCN）的深度学习分离算法。该算法首先利用编码器在时域内提取ADS-B交织信号的混合特征,然后,利用TCN从编码器的输出中提取源ADS-B信号特征,最后,使用解码器根据源ADS-B信号特征重构出ADS-B信号的时域波形。实验结果表明,该算法验证了深度学习用于ADS-B交织信号分离的可行性,无需人工特征提取,可在时域内实现端到端的信号分离,并且分离精度高于传统解交织算法——PASA算法。（3）为了使深度学习分离算法更易于工程实用化,针对于微小资源平台,研究了一种基于双路径递归神经网络（Dual Path RNN,DPRNN）的轻量级深度学习分离算法。该算法无需对信号数据进行预处理,可以直接对输入的一维ADS-B交织信号在时域内完成分离,并且模型尺寸较小,适合在微小资源平台部署,易于工程实现。